Tekoäly, joka ei kirjoita mitään – näin tekoälyn päätösmallit toimivat

Tekoälyyn perehtynyt Web Developer Juuso Jaakkola kirjoittaa kiinnostavasta uudesta tekoälyn päätösmallista: mallista, joka tekee rajattuja valintoja pitkien vastausten sijaan.

Kirjoittaja
Juuso Jaakkola

Juuso Jaakkola

Web Developer

Viime vuosina olemme pyytäneet tekoälyltä sanoja. Liidin arviointiin on saatu essee myyntipsykologiasta. Tukipyynnön, tiketin ohjaamiseen pohdinta asiakkaan tunnetilasta. Arvostelun hyväksymiseen pieni tutkielma sananvapaudesta. Sitten ihminen on lukenut kaiken ja painanut nappia.

Syksyllä 2026 tuli vihdoin päätösmalli, joka ei kirjoita mitään. Kysyt, onko yhteydenotto oikea liidi. Se vastaa esimerkiksi: kyllä, 87 prosentin todennäköisyydellä. Siinä kaikki. Ja juuri tämä tylsä numero voi olla se, joka vihdoin siirtää tekoälyn avustajan paikalta tekijäksi.

Tekoäly on ollut kuin kirjailija rastittamassa ruutuja

Kyseessä on päätösmalli.

Päätösmalli (decision model) arvioi annettuja tietoja ja valitsee ennalta määritellyistä vastauksista: kyllä tai ei, jokin vaihtoehdoista tai arvo asteikolla. Se palauttaa tuloksen ja todennäköisyydet ohjelmiston käsiteltävässä muodossa. TypeSafen Jevin rinnalle on tullut esimerkiksi Cloudflaren Clef ja Microsoftin Decision-1. Myös OpenAI tarjoaa päätöksiin oman rajapinnan.

Idea on niin yksinkertainen, että se tuntuu huijaukselta. Annat koneelle dataa ja kysymyksen, jonka vastaukset tiedät etukäteen: kyllä vai ei, mikä näistä, mihin kohtaan asteikkoa. Kone palauttaa päätöksen ja todennäköisyyden. Se ei voi keksiä vaihtoehtoa, jota et antanut. Se ei kirjoita mitään.

Viime vuosien tekoälyratkaisuissa näitä päätöksiä on usein teetetty kielimallilla. Se on ollut kuin palkkaisi kirjailijan rastittamaan ruutuja: yksinkertaiseen tehtävään otetaan koneen koko arsenaali. Päätösmallilla lyhyen tekstin luokittelu voi maksaa sentin murto-osia.

Lokakuussa kone sai silmät. TypeSafe avasi Jeville kuvat: sille voi näyttää tuotekuvan, kuitin tai kuvakaappauksen ja kysyä siitä samoja kyllä-, valinta- ja asteikkokysymyksiä. Samassa päivityksessä tuli uusi kysymystyyppi, joka ei vastaa numerolla vaan laatikolla: tuossa kohtaa kuvaa on se, mitä etsit. Cloudflaren Clef on osannut katsoa kuvia alusta asti. TypeSafe kutsuu kuvia vielä kokeellisiksi eikä suosittele niitä tuotantoon, mutta suunta on selvä. Päätöskone ei enää vain lue. Nyt se myös katsoo.

Miksi robotti ei ole vielä hoitanut työtäsi

Tekoäly on loistanut avustajana. Koodari hyväksyy ehdotuksen, asiakas lukee chatbotin löytämän ohjeen. Ihminen on aina paikalla korjaamassa avustajansa virheet. Heti kun koneen pitäisi toimia yksin, hyväksyä palautus tai ohjata tilaus, se alkaa kompastella.

TypeSafen perustaja on itse ollut rakentamassa syytä tähän ilmiöön. Hän työskenteli OpenAI:lla menetelmän parissa, jolla kielimalleja koulutetaan: ihmiset arvioivat mallin vastauksia, ja malli oppii antamaan sellaisia vastauksia, joista ihmiset pitävät. Hänen mukaansa juuri tässä on ongelma. Malli oppii kuulostamaan oikealta, mutta se ei ole sama asia kuin olla oikeassa. Siksi myös väärä vastaus kuulostaa vakuuttavalta. Kun ihminen lukee vastauksen, hän voi huomata virheen. Kun kone toimii yksin, kukaan ei lue, ja vakuuttava virhe menee suoraan läpi.

Automaatio tuottaa päätöksiä moninkertaisesti enemmän kuin ihminen ehtisi lukea. Jokainen agentin askel on päätös. Jos jokainen maksaa kielimallin kutsun ja kolme sekuntia, automaatio on hidas ja kallis jo ennen ensimmäistä virhettä.

Tässä on koko jutun ydin. Mallin antama todennäköisyys on ohjausvipu, jonka käyttö opetellaan omalla datalla. Testaat ensin, millaisissa tapauksissa kone osuu oikeaan ja mitä virhe maksaa. Sen perusteella päätät, mitkä tapaukset kone hoitaa ja mitkä tulevat ihmiselle. Ihminen ei katoa. Hän lakkaa tarkistamasta jokaista tapausta ja keskittyy niihin, joissa häntä oikeasti tarvitaan.

Kokeile päätösmallia omalla sivustollasi

Millaisen tulkinnan Jev tekee yrityksesi etusivusta? Kokeile alla ja vertaa arviota siihen, mitä haluat sivusi viestivän. Tulokset näkyvät samalla sivulla, ja saat raportin myös sähköpostiisi.

Hyödyllinen automaatio alkaa päätöksen määrittelystä. Verkkosivudemoa rakentaessamme jouduimme esimerkiksi erottamaan sivun yksittäiset toimintakehotukset, mihin sivu ensisijaisesti ohjaa. Kone vastaa nopeasti, mutta ensin meidän on määriteltävä, mitä vastaus tarkoittaa.

Agentti, joka ei odota sinua

Kun yksittäinen päätös on nopea ja edullinen, sitä voidaan käyttää automaation useassa vaiheessa. Silti jokaisen vaiheen automatisointia kannattaa arvioida erikseen.

Eräs agenttikehittäjä julkaisi avoimena koodina uutisagentin, joka seuraa uutislähteitä ja nostaa niistä pienen joukon luettavaa. Se karsii uutisia vaiheittain: liittyykö aiheeseen, onko lukemisen arvoinen, onko sama juttu kuin eilen, paljonko on hypea. Laajempi kielimalli näkee vain sen, mikä selvisi suodatuksesta.

Kiinnostavinta ei kuitenkaan ole suodatin vaan se, että agentin voi ajastaa hoitamaan työn itse. Se on rakennettu pi-durable-nimisen työkalun päälle: ajastus herättää, agentti tekee työnsä ja tallentaa työn etenemisen. Jos ajo keskeytyy, se jatkaa tallennetusta vaiheesta. Jo tallennettujen työvaiheiden tulokset käytetään uudelleen, joten samaa työtä ei tehdä kahdesti. Se työskentelee sinulle, odottaa, ja jatkaa.

Decision model tekee päätöksistä halpoja. Kestävä agentti tekee niistä jatkuvia.

Kun tekoäly hoitaa rutiinit, ihminen keskittyy olennaiseen: luvassa on maanantaiaamu, jona ei tarvitse lajitella

Kuvittele maanantaiaamu. Viikonlopun yhteydenotot on jo käyty läpi. Varmat liidit ovat myynnin jonossa, roskaposti on poissa ja työhakemukset odottavat omassa kansiossaan. Pöydälläsi on viisi viestiä, joista kone ei ollut varma. Niihin käytät aamusi, koska vain ne tarvitsevat ihmistä.

Tämä ei vaadi tekoälyltä viisautta. Se vaatii mallin, jonka toimintaa on testattu omilla esimerkeillä, ja ihmisen, joka on päättänyt, millaiset tapaukset siirretään hänen ratkaistavakseen.

Siinä me autamme. Etsimme yrityksestänne päätökset, joita tehdään käsin yhä uudelleen, kirjoitamme ne kysymyksiksi, testaamme koneen teidän omalla datallanne ja säädämme rajan, jonka yli se saa toimia yksin. Aloitetaan yhdestä: kerro, mikä päätös teillä toistuu useimmin.

Lähteet
Kirjoittaja

Juuso Jaakkola

Web Developer

Juuso Jaakkola

Ota yhteyttä

Autamme kartoittamaan projektin lähtökohdat, tarpeet ja tavoitteet tarjouksen taustatiedoksi.

Tomi Kaitarinne

CRO, Founding Partner
+358 50 345 3874
tomi.kaitarinne@kuuki.fi

Tomi Kaitarinne

Tutustu myös näihin

Kaikki artikkelit

Hyvät, pahat ja rumat: Kun tekoäly koodaa softaa – Osa 3: Rumat

Hyvät, pahat ja rumat: Kun tekoäly koodaa softaa – Osa 2: Pahat

Hyvät, pahat ja rumat: Kun tekoäly koodaa softaa – Osa 1: Hyvät

Tekoäly, AI verkkosivuilla: neljä asiaa, joita sillä oikeasti voidaan tarkoittaa 

Ota yhteyttä